#评测/基准

Arena.ai@arena· 23:17AI 评分6262

Kimi K3.1 Pro (Max) 登上 Agent Arena 评测第 11 名，表现超越 DeepSeek-v4.1-Flash 并成为排名最高的开源模型，官方称开放权重即将上线。该模型相较前代 Kimi K3 (Max) 提升了 6 个百分点，单任务中位成本为 $1.03，较此前版本降低 13%。

Artificial Analysis@ArtificialAnlys· 07:49AI 评分5757

Artificial Analysis 公布了 Meta 816B 模型 Muse Spark Open 在 AA-AgentPerf 上的推理吞吐与能效实测结果。

Artificial Analysis@ArtificialAnlys· 07:33AI 评分6363

Artificial Analysis 发布 Cyber Index 网络安全指数，显示月之暗面 Kimi K3.1 Pro 以 64% 的得分成为当前开放可用模型中的第一名，仅次于仅通过受信任访问计划提供的 OpenAI GPT-6 Sol。

Artificial Analysis@ArtificialAnlys· 07:33AI 评分6161

Artificial Analysis 发布了 Kimi K3.1 Pro 的评测结果，指出其在智能体知识工作与编码任务上表现领先，但在 AA-3D 评测中早期迹象显示排名靠后。AA-3D 正式 Elo 投票仍在收集中，同时展示了该模型生成的 3D 山地车速降场景及交互演示。

Kimi K3.1 在 Artificial Analysis 上获得 55 分并跻身 Pareto 线

Kimi K3.1 在 Artificial Analysis 上获得了 55 分，并被放置在 Pareto 线上。同时该平台还对比了其智能能力指数、token 使用成本、上下文窗口和速度指标。

Arena.ai@arena· 02:46AI 评分2727

来自 @petergostev 的 Kimi K3.1 Pro 初步上手体验出炉了。 我们通过 3D 场景、HTML 动画、网站、UI 构建和研究驱动的页面，对月之暗面的 Kimi K3.1 Pro 进行了测试，并将其与 K3、Opus 5.5、Sonnet 5.5、GPT-6.1 Sol、Gemini 4 Argon 等模型进行了对比。 查看对比结果，并在我们的 YouTube 上找到 Peter 使用的提示词。 https://www.youtube.com/watch?v=rVuwIr4wiPw

Nathan Lambert@natolambert· 02:46AI 评分3131

获得高于 Fable 5.1 和 Astra 6 的分数，真是太厉害了。

Arena.ai@arena· 02:15AI 评分6363

Kimi K3.1 Pro 在 Code Arena: WebDev 评测中以 1692 分升至第 8 名，比前代 Kimi K3 提升 37 分。该模型定价为每百万输入/输出 token 2 美元/10 美元，各项分类成绩均有提升，且后续将推出开源权重版本。

Artificial Analysis@ArtificialAnlys· 02:15AI 评分6868

月之暗面发布新推理模型 Kimi K3.1 Pro，在 Artificial Analysis 智能指数中以 55 分位列第 4，在智能体性能和 Terminal-Bench 4.0 上获得显著提升。该模型采用 2.8T 总参数、104B 激活参数，支持 1M 上下文窗口，权重暂未完全开源但计划近期发布。

Yuchen Jin@Yuchenj_UW· 02:15AI 评分6464

Kimi K3.1 Pro 在 Artificial Analysis 智能指数中排名第四，位列所有模型前列，超过了多个主流模型。

🚨 AI News | TestingCatalog@testingcatalog· 02:15AI 评分2727

KIMI AI🔥: Kimi K3.1 Pro 跻身 WebDev Arena 第 8 名，Kimi AI 整体排名上升至 AI 实验室第 4 位。 这步子迈得真大 👀

Artificial Analysis@ArtificialAnlys· 01:43AI 评分6262

DeepSeek V4.1 Flash 1017 以 57% 的总分登顶 Artificial Analysis Cyber Index 开放可用模型榜首，位列所有模型总榜第二。该模型在 CyberGym-E2E-AA 任务上表现显著提升，每任务成本为 $0.42，展现出较强的性价比。

Rohan Paul@rohanpaul_ai· 01:11AI 评分3131

Voice Arena 推出仅由母语者盲测投票的 TTS 语音模型排行榜，并采用 Bradley-Terry 算法生成排名。目前已新增印度英语、法语、德语、他加禄语和印尼语等 5 个语言榜单。ElevenLabs 在这 5 个新榜单中均排名第一。

OpenRouter@OpenRouter· 00:39AI 评分3131

按消耗金额占比排名的安全任务主流模型：GLM 5.3 & Kimi K3 Grok 4.7 是排名第一的闭源模型 https://openrouter.ai/rankings#task-spend

meng shao@shao__meng· 23:19AI 评分5555

Artificial Analysis 发布 Coding Agent Index v2.0，引入 FrontierCode v1.1 并升级评测标准，当前由 Claude Code + Opus 5.5 以 61.7 分领跑。榜单综合三套基准，前四名中 Claude 相关组合占三席，首个 OpenAI 组合 Codex + GPT-6 Astra 位列榜单前列。

SiliconFlow@SiliconFlowAI· 22:15AI 评分2828

相同的提示词，不同的模型。 DeepSeek V4.1 Flash 1017 对比 GPT-6 Astra——两者都使用 Three.js 构建相同的交互式 3D 世界。 质量几乎相同，甚至更好——成本比 Astra 低 50% 以上。 提示词在评论区。💬 以下是并排对比 👇

Artificial Analysis@ArtificialAnlys· 08:40AI 评分6363

Artificial Analysis 发布 Coding Agent Index v2.0，将评估扩展至 290 个任务并更新了基准。其中使用 Claude Code 的 Claude Opus 5.5 以 61.7 的得分登顶榜首，同时报告详细展示了各配置的成本与性能边界。

Artificial Analysis@ArtificialAnlys· 07:04AI 评分2828

在 AA-PersonalityBench 中，智能水平较低的模型通常会产生更多的 Slop，但 Slop 在前沿模型之间仍然存在巨大差异 ➤ 智能水平相同但 Slop 排名截然相反：GPT-6 Sol 和 Muse Spark 1.3 在智能指数上的得分都是 48，但在 Slop 排名中分别位列第 1 和第 80 ➤ 智能水平高但 Slop 也高：Muse Spark 1.3（Slop 80）、Qwen3.8 Max（75）和 Gemini 4 Argon（70） ➤ 相对于其智能水平而言 Slop 较低：GPT-6 Luna（4）和 Claude Haiku 5.5（9）

Artificial Analysis@ArtificialAnlys· 05:44AI 评分6363

蚂蚁集团发布的 Ming-3.0-tts 语音模型参数量仅为 0.5B 且采用 MIT 协议开源，在 Artificial Analysis 语音排行榜中跻身前三。它是排行榜前三中唯一参数量低于 1B 的模型，相比前十名中其他 3.5B 及以上权重的开源 TTS 模型，参数量减少了 7 倍到 70 倍。

fal@fal· 05:28AI 评分6464

fal 发布了后训练视频模型 FLUX 3 Max，该模型生成 10 秒视频仅需 12.45 秒，在第三方基准评测中达到了 1,139 的 Elo 分数。

Artificial Analysis@ArtificialAnlys· 04:40AI 评分6464

Subquadratic 发布了新决策模型 SubQ Snap 1.1，在 Artificial Analysis Decision Index v1.0 上以 65 分与 d1-ultra 和 Elephant 9B 并列第一。该模型定价为每 1M 输入 tokens 0.04 美元，支持 384K context window，其优秀表现主要得益于 86% 的较低幻觉率。

Artificial Analysis@ArtificialAnlys· 02:32AI 评分6464

Artificial Analysis 宣布 CritPt v2 基准正式上线，GPT-6 Astra（max）以 83% 的得分居首。

Cohere 发布 Rerank 5，新增段落级 Context Focus 与校准相关性分数

Cohere 发布 Rerank 5 检索重排序模型家族，提供 Pro 和 Fast 两个档位并支持 32K 上下文窗口。该版本新增段落级 Context Focus 功能，可在单次调用中返回带有得分的字符片段以减少传递给大模型的无效 token；同时引入了概率形式的校准相关性分数，降低跨领域设置阈值的复杂度。

ARC Prize@arcprize· 01:28AI 评分3131

DeepSeek V4.1 Flash 1017（来自 @deepseek_ai）在 ARC-AGI 上的表现（已验证）： - ARC-AGI-2: 78.1%, $0.16/任务 - ARC-AGI-1: 94.5%, $0.06/任务 DeepSeek Flash 模型在 ARC-AGI-2 上的最高得分从 61.4%（V4 Flash 0731）提升至 72.9%（V4.1 Flash），再到 78.1%（V4.1 Flash 1017）。

Artificial Analysis@ArtificialAnlys· 20:56AI 评分2828

在 AA-PersonalityBench 中，Anthropic 模型通常是所有被测模型中最具信息密度和读写能力的 ➤ 信息密度最高：Claude Fable 5.1 (100)、Claude Opus 5.5 (97)、Claude Sonnet 5.5 (95) 和 Claude Haiku 5.5 (92) ➤ 读写能力最高：Claude Haiku 5.5 (100)、Claude Opus 5.5 (97) 和 Claude Fable 5.1 (95)

Ant Ling@AntLingAGI· 19:20AI 评分5050

蚂蚁百灵发布 Ling-3.1-flash-1019 模型，在 Artificial Analysis Intelligence Index 上的得分从 Ling-3.1-flash 的 41 分提升至 44 分。其在智能体工作能力上有明显进步，其中 AA-Briefcase 从约 1400 提升至 1524 Elo，AutomationBench-AA 从 62% 提升至 68%，官方表示 API 访问和开源权重即将推出。

Artificial Analysis@ArtificialAnlys· 12:41AI 评分6464

Artificial Analysis 对 DeepSeek Search 进行了实测，其在搜索索引中得分 69，在付费 Search API 中单价最低。实测显示其定价为每千次搜索 0.75 美元，在 AA-Omniscience 基准上准确率为 70%，但每次搜索返回约 7k tokens 导致模型调用成本较高。

Artificial Analysis@ArtificialAnlys· 10:33AI 评分5656

Artificial Analysis 对比了 14 个模型在 MLCR-AA 与 HealthBench Professional 医疗基准上的表现，发现 Anthropic 模型在回答完整性和原始得分上领先，而 OpenAI 模型在准确性和简洁性上更具优势。

Artificial Analysis@ArtificialAnlys· 05:29AI 评分2828

在 AA-PersonalityBench 中，Gemini 模型是所有被测模型中最自信、最不可能承认不确定性的模型 ➤ 最自信：Gemini 3.8 Flash (100)、Gemini 4 Argon (97) 和 Gemini 3.1 Pro Preview (95) ➤ 最不可能承认不确定性：Gemini 3.1 Pro Preview (1)、Gemini 4 Argon (4) 和 Gemini 3.8 Flash (6)

ARC Prize@arcprize· 03:53AI 评分3131

来自 @AnthropicAI 的 Claude Sonnet 5.5 在 ARC-AGI（已验证）上的表现： - ARC-AGI-3: 72.4%, $8.2K（provider adapter harness）, 24.3%, $7.4K（standard harness） - ARC-AGI-2: 83.9%, $0.55/task - ARC-AGI-1: 96.5%, $0.14/task Sonnet 5.5 在 ARC-AGI-3 上取得了 72.4% 的高分，备受瞩目。

Artificial Analysis@ArtificialAnlys· 01:45AI 评分5757

Artificial Analysis 推出的全新基准测试 AA-PersonalityBench 显示，GPT-4o、Llama 4 Maverick 和 GPT-3.5 Turbo 的谄媚度排在最高的前列，而 Grok 4.7、Claude Fable 5.1 和 Inkling 的排名最低。

Artificial Analysis@ArtificialAnlys· 01:45AI 评分4141

HeyGen Voice Turbo 登顶 Artificial Analysis Controlled Voice TTS Arena 榜单首位，Elo 评分为 1,202，此前的前代模型位列第二。该模型定价为 $4/1M characters，在榜单中价格最低，比前代模型便宜 7.5 倍，其发音鲁棒性得分为 87.8%。

Artificial Analysis@ArtificialAnlys· 00:25AI 评分5555

Artificial Analysis 更新了 MLCR-AA 医疗长上下文推理榜单并优化了评测方法，Claude Sonnet 5.5 与 GPT-6 Astra 以 41.7% 的得分并列榜首。评测显示医疗记录审查远未解决，Anthropic 模型在完整性上领先，而 OpenAI 模型在准确性上占优。

🚨 AI News | TestingCatalog@testingcatalog· 14:01AI 评分6666

ElevenLabs 发布了 Eleven Realtime Max 和 Mini 两款语音到语音模型。Eleven Realtime v1 Max 在 Big Bench Audio 评测中获得 98.8% 的分数且响应延迟为 0.57 秒，v1 mini 则主打低成本自然对话，两款模型均已上线 ElevenAgents 平台并开放 API。

Artificial Analysis@ArtificialAnlys· 13:29AI 评分6262

Artificial Analysis 对采用 Claude Opus 5.5 (max) 搭配 GPT-6 Luna (high) 辅助模型的 Devin Fusion CLI 进行了评测，其在 Coding Agent Index 上得分 68.1。

Arena.ai@arena· 07:37AI 评分6262

DeepSeek-V4.1-Flash-20261017 (Max) 登上 Arena 榜单，成为 Agent Arena 和 Code Arena: WebDev 两大榜单的开源模型第一。作者在推文中附上了该模型的 3D 世界生成演示视频及详细排名信息。

🚨 AI News | TestingCatalog@testingcatalog· 05:13AI 评分6868

Mistral 发布了 Voxtral 3 语音转文本与文本转语音模型家族，其中 Voxtral Small Transcribe 3 在 Artificial Analysis 语音转文本榜单中排名第三，Voxtral 3 TTS 排名前十二。

MiniMax (official)@MiniMax_AI· 04:41AI 评分4949

感谢 Parallel Web System 提供这样一个有意义的数据点~ 是的，MiniMax M3.1 Flash 现在排在搜索能力效率排行榜的第一名。而且它速度很快~

Arena.ai@arena· 04:41AI 评分6262

Meta 发布 Muse Wonder Full (Max) 模型，在 Agent Arena 榜单中以 6.5K+ 真实智能体任务获得 +11.3% 的净提升并升至第 7 名，其所属实验室排名升至第 4 位。新模型在聊天、代码和工作类别中分别位列第 5、第 6 和第 7 名，在多个评估指标上均有明显提升。

Arena.ai@arena· 02:01AI 评分4646

OpenAI 的 GPT-6 Luna、GPT-6.1 Sol 和 GPT-6 Astra 凭借不同的推理档位，在 Agent Arena 帕累托前沿的 11 个席位中占据了 7 席。